Tutorial de BigQuery para iniciantes: da configuração à primeira consulta

Data warehouse tradicional vs. em nuvem

Um data warehouse tradicional é implantado on‑premise, normalmente exigindo altos custos iniciais, uma equipe qualificada para gerenciá-lo e planejamento rigoroso para atender ao aumento de demanda, devido à rigidez no escalonamento de recursos em data centers tradicionais.

Já um data warehouse em nuvem é gerenciado e hospedado por um provedor de serviços de nuvem. Exemplos incluem Google BigQuery, Amazon Redshift e Snowflake.

Vantagens dos data warehouses em nuvem

Normalmente, um data warehouse em nuvem oferece várias vantagens em relação aos tradicionais:

• São projetados para escala e para aproveitar a flexibilidade do ambiente de nuvem
• Apresentam mais velocidade e melhor desempenho
• Preços flexíveis e o ambiente em nuvem permitem otimização de custos (por exemplo, reduzir a escala em períodos de baixa demanda)
• Podem ser totalmente ou parcialmente gerenciados, o que reduz custos operacionais

Bancos orientados a linhas vs. colunas

Exemplo de banco orientado a linhas:

Exemplo de banco orientado a colunas:

Bancos orientados a linhas funcionam bem para buscas de registros completos, inserções e atualizações. Mas têm dificuldades com cargas analíticas.

Por exemplo, se você consulta três colunas de uma tabela com 50 colunas, um banco orientado a linhas ainda lê todas as 50 colunas de cada linha. Um banco orientado a colunas lê somente as três colunas necessárias — muito mais rápido para análises como previsão de demanda de produtos ou relatórios ad hoc.

Bancos orientados a linhas costumam ser mais adequados para processamento de transações online (OLTP), enquanto bancos orientados a colunas são ideais para processamento analítico online (OLAP).

OLTP vs. OLAP

• OLTP é um tipo de sistema de banco de dados usado em aplicações orientadas a transações. “Online” significa que esses sistemas devem responder e processar solicitações do usuário em tempo real (ou seja, processar transações).
• O termo contrasta com processamento analítico online (OLAP), que foca em análise de dados.

Resumo da comparação:

Como o BigQuery funciona?

O BigQuery separa seu mecanismo de computação do armazenamento, permitindo que cada um escale de forma independente. Resultado: você consegue consultar terabytes de dados em segundos e petabytes em minutos.

Quando o BigQuery executa uma consulta, o mecanismo distribui o trabalho em paralelo, varre as tabelas relevantes no armazenamento, consolida os resultados e retorna o conjunto final de dados.

Principais recursos do BigQuery em 2026

Desde o lançamento, o Google adicionou vários recursos que expandem o BigQuery além de um data warehouse tradicional:

• BigQuery ML — Crie, treine e implante modelos de machine learning usando SQL. Suporta regressão linear, classificação, previsão de séries temporais e mais.
• Gemini no BigQuery — Assistência com IA para escrever consultas, entender esquemas e gerar insights de dados em linguagem natural.
• BigQuery Studio — Um espaço de trabalho unificado para SQL, notebooks Python e Spark dentro do console do BigQuery.
• Consultas federadas — Consulte dados no Cloud SQL, Cloud Storage, Bigtable e outras fontes sem movê-los para o BigQuery.
• BigQuery Omni — Execute análises do BigQuery em dados armazenados na AWS ou Azure sem copiá-los para o Google Cloud.

Como começar no BigQuery

O sandbox do BigQuery permite testar o BigQuery sem informar um cartão de crédito ou criar uma conta de faturamento. Nesta seção, vou mostrar como acessar o BigQuery e configurar seu primeiro projeto usando o sandbox.

O BigQuery pode ser acessado pelo Google Cloud Console. Você precisa fazer login com uma conta Google (ou criar uma). Depois do login, uma tela de boas-vindas deve aparecer:

Você encontra o BigQuery no menu à esquerda. Ao clicar, você verá a tela abaixo:

Usando o sandbox do BigQuery

Para usar o sandbox do BigQuery, primeiro crie um projeto clicando em “Select Project”.

Depois, clique em “New Project”:

Você precisará informar um nome para o projeto; neste guia, estamos usando datacamp-guide-project

Agora, um aviso do sandbox é exibido na página do BigQuery, indicando que você ativou o sandbox com sucesso.

Com o sandbox do BigQuery ativado, você já pode usar seu novo projeto para carregar dados e fazer consultas, além de consultar os conjuntos de dados públicos do Google.

Crie um dataset e uma tabela

Antes de criar uma tabela, você precisa criar um dataset no seu novo projeto. Um dataset é um contêiner de alto nível usado para organizar e controlar o acesso a um conjunto de tabelas e views. Para criar um dataset, clique no ícone “Actions” do projeto:

Para este guia, vamos preencher o “Dataset ID” com “main”.

Você pode criar uma tabela usando SQL. O BigQuery utiliza o GoogleSQL, que é compatível com ANSI.

CREATE TABLE datacamp-guide-project.main.users (
  id INT64 NOT NULL,
  first_name STRING NOT NULL,
  middle_name STRING,
  last_name STRING NOT NULL,
  active_account BOOL NOT NULL
);

Você também pode usar a interface do BigQuery Console:

Observação: não é possível inserir dados no ambiente de sandbox. Se quiser testar inserções, é preciso ativar o período de avaliação gratuito. As próximas seções focam em consultar conjuntos de dados públicos disponibilizados como parte do Google Cloud.

Consultar um dataset público usando o BigQuery Console

Para consultar um dataset público, siga os passos abaixo:

1. Clique em “Add” ao lado de Explorer.

2. Em seguida, escolha um dataset.

3. Pesquise por “Google Trends” e selecione Google Trends; depois clique no botão “View dataset”.

4. bigquery-public-data aparecerá com uma longa lista de datasets. Marque bigquery-public-data com estrela para que ele fique “fixo” no Explorer

Um exemplo prático usando o dataset do Google Trends

Usaremos a tabela top_terms:

Clique na tabela top_terms para abrir e inspecione as abas Details e Preview para conhecer melhor os dados de top_terms.

Você pode consultar o dataset. Exemplo abaixo para buscar termos que ficaram em primeira posição nas últimas duas semanas:

SELECT
  term
FROM
  bigquery-public-data.google_trends.top_terms
WHERE
  rank = 1
  AND refresh_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 2 WEEK)
GROUP BY
  term

Resultados (podem variar):

Preços do BigQuery

A precificação do BigQuery tem dois componentes principais: computação (processamento de consultas) e armazenamento.

Para times com cargas previsíveis, o BigQuery também oferece preços em taxa fixa por meio de reservas de capacidade (BigQuery Editions). Consulte a página oficial de preços para valores atualizados.

Considerações finais

O BigQuery é um dos pontos de entrada mais acessíveis para data warehousing em nuvem. O sandbox oferece um ambiente sem riscos para experimentar, e o 1 TiB de consultas gratuitas por mês permite explorar datasets públicos sem gastar nada. Quando precisar de mais, o teste gratuito do Google Cloud oferece US$ 300 em créditos.

Se quiser evoluir a partir do que aprendeu aqui, recomendo o curso Introduction to BigQuery na DataCamp, que aborda otimização de consultas e trabalho com datasets maiores. Para uma visão mais ampla de engenharia de dados, a trilha Data Engineer in Python cobre todo o pipeline, da ingestão ao data warehousing.

Você também pode ver como o BigQuery se compara a alternativas em nossas comparações BigQuery vs Redshift e BigQuery vs Snowflake, ou se preparar para entrevistas com nosso guia de perguntas de entrevista sobre BigQuery.